尝试学习 tensorflow.js，但需要一个更简单的示例，例如 Brain.js

Question

brain.js 的示例让我能够真正了解该软件 - 以及机器学习的各个方面。

现在我正在尝试学习 tensorflow.js，很难复制相同类型的代码。

例如，TensorFlow等价于下面的大脑代码是什么？

var net = new brain.NeuralNetwork();

net.train([{input: { r: 0.03, g: 0.7, b: 0.5 }, output: { black: 1 }},
       {input: { r: 0.16, g: 0.09, b: 0.2 }, output: { white: 1 }},
       {input: { r: 0.5, g: 0.5, b: 1.0 }, output: { white: 1 }}]);

var output = net.run({ r: 1, g: 0.4, b: 0 });  // { white: 0.99, black: 0.002 }

Answer 1

这将是您提供的示例的一种简化版本：

const net = tf.sequential();
net.add(tf.layers.dense({
  units: 2,
  inputShape: [3],
  activation: 'sigmoid'
}));
net.compile({
  loss: 'meanSquaredError',
  optimizer: 'sgd'
});

const xs = tf.tensor2d([
  [0.03, 0.7, 0.5],
  [0.16, 0.09, 0.2],
  [0.5, 0.5, 1.0]
]);
const ys = tf.tensor2d([
  [1, 0],
  [0, 1],
  [0, 1]
]);

net.fit(xs, ys).then(() => {
  const xPredict = tf.tensor2d([
    [1.0, 0.4, 0.0]
  ]);

  const prediction = net.predict(xPredict);
  prediction.print();
});

<script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs@0.11.6">
</script>

但正如您所见，您必须更具体地了解神经网络的实际作用。我只是使用了您可以使用的基本选项。正如你所看到的那样，网络性能很差，但我希望你能了解它是如何工作的。所以让我试着解释一下这个 sn-p 做了什么：

const 通常用于tf.tensors，因为它们位于 GPU 上，因此无论如何都无法更改。

tf.sequential() 创建一个空的前馈网络。 （如果您不知道那是什么，请先尝试在没有实现的情况下学习神经网络）

tf.layers.dense() 创建一个全连接层。

units:2 定义层的输出形状。在这种情况下，一个具有两个值的向量。

inputShape: [3] 在任何非第一层都可以忽略，因为它可以由前一层推断并定义输入张量的形状

activation: 'sigmoid'是应用于层返回值的激活函数，高度依赖于你要解决的问题。

.compile() 使用给定的选项编译网络，并且非常可定制

xs 和 ys 是训练数据集。注意：它们有一个额外的维度来表示多个 x-y 对，因此它们可以批量传递给训练函数。

.fit()是训练方法，训练网络的内部权重。注意：这是一个异步函数，所以你必须等到它完成才能使用模型。

xPredict是测试数据，也比网络的返回形状高一维。

.predict() 根据给定的输入预测网络的输出。

.print() 在控制台中输出张量。 （如果太大，会被裁剪）

我强烈建议您在尝试（通过复制）实现神经网络之前先了解有关神经网络的更多信息，因为它们会变得非常复杂和令人困惑。然后您可以阅读文档以了解可能的情况。